Carga de datos - Más fuentes de datos
Docente: Felipe Calvo Cepeda - fcalvoc@unal.edu.co | Universidad Nacional de Colombia
Introducción
En esta práctica vamos a aprender a importar tipos de datos en formatos no tabulares.
Lectura de archivos en PDF
Instalación de paquetes
Importar paquetes y datos
Minería de texto básica
# Crear un vector de texto con el contenido de todas las páginas
pdf_text_combined <- paste(pdf_text, collapse = " ")
# Crear un corpus
corpus <- VCorpus(VectorSource(pdf_text_combined))
# Limpieza y preprocesamiento
corpus <- tm_map(corpus, content_transformer(tolower)) # Convertir todo en minúscula
corpus <- tm_map(corpus, removePunctuation) # Remover puntuaciones
corpus <- tm_map(corpus, removeNumbers) # Remover números
corpus <- tm_map(corpus, removeWords, stopwords("spanish")) # Remover stopwords (palabras vacías)
corpus <- tm_map(corpus, stemDocument) # Palabras madre
corpus <- tm_map(corpus, stripWhitespace) # Remover espacios extra
# Crear matriz de documento-términos
dtm <- DocumentTermMatrix(corpus)
# Convertir la matriz de documento-términos a una matriz de R
m <- as.matrix(dtm)
# Calcular frecuencia de palabras
word_freq <- sort(colSums(m), decreasing = TRUE)
# Crear un data frame con las palabras y sus frecuencias
word_freq_df <- data.frame(word = names(word_freq), freq = word_freq)
# Imprimir las frecuencias de las palabras
print(word_freq_df)## word freq
## punto punto 6
## talento talento 6
## partido partido 5
## perdí perdí 5
## así así 4
## grand grand 4
## mundo mundo 4
## teni teni 4
## vece vece 4
## apena apena 3
## campeón campeón 3
## duro duro 3
## educación educación 3
## llegué llegué 3
## mejor mejor 3
## mismo mismo 3
## nunca nunca 3
## perder perder 3
## tener tener 3
## trabajar trabajar 3
## universidad universidad 3
## vida vida 3
## ahora ahora 2
## año año 2
## aprend aprend 2
## aun aun 2
## cada cada 2
## cancha cancha 2
## casi casi 2
## cinco cinco 2
## creía creía 2
## disciplina disciplina 2
## dos dos 2
## elijan elijan 2
## empieza empieza 2
## energía energía 2
## esfuerzo esfuerzo 2
## fácil fácil 2
## feder feder 2
## ganar ganar 2
## gané gané 2
## gent gent 2
## juego juego 2
## juegu juegu 2
## jugar jugar 2
## jugué jugué 2
## niño niño 2
## primera primera 2
## proceso proceso 2
## pued pued 2
## quizá quizá 2
## roger roger 2
## set set 2
## solo solo 2
## tan tan 2
## trata trata 2
## ver ver 2
## vez vez 2
## vos vos 2
## ¿verdad ¿verdad 1
## abajo abajo 1
## abandoné abandoné 1
## abrazar abrazar 1
## acceso acceso 1
## acordarm acordarm 1
## áfrica áfrica 1
## agalla agalla 1
## allí allí 1
## altibajo altibajo 1
## amabl amabl 1
## amar amar 1
## amistad amistad 1
## apetito apetito 1
## aplastado aplastado 1
## aprendí aprendí 1
## aprendido aprendido 1
## aquel aquel 1
## asustado asustado 1
## ayudado ayudado 1
## bien bien 1
## brutal brutal 1
## calidad calidad 1
## calma calma 1
## cambio cambio 1
## carrera carrera 1
## central central 1
## ceremonia ceremonia 1
## césped césped 1
## ciento ciento 1
## clara clara 1
## confiar confiar 1
## contribuido contribuido 1
## convertirt convertirt 1
## corrí corrí 1
## corrido corrido 1
## creen creen 1
## creencia creencia 1
## cultura cultura 1
## damo damo 1
## dartmouth dartmouth 1
## decía decía 1
## decían decían 1
## defensor defensor 1
## dejé dejé 1
## demasiado demasiado 1
## den den 1
## desperdiciada desperdiciada 1
## despué despué 1
## destrozado destrozado 1
## desvanecers desvanecers 1
## días días 1
## dicen dicen 1
## difícil difícil 1
## dirían dirían 1
## discurso discurso 1
## divagar divagar 1
## diviértans diviértans 1
## don don 1
## dudar dudar 1
## duel duel 1
## ello ello 1
## elogio elogio 1
## empecé empecé 1
## encuentra encuentra 1
## entrenar entrenar 1
## escuela escuela 1
## espacio espacio 1
## espalda espalda 1
## familia familia 1
## fijart fijart 1
## final final 1
## flaquean flaquean 1
## forma forma 1
## formar formar 1
## frase frase 1
## frustrarm frustrarm 1
## funciona funciona 1
## ganan ganan 1
## ganársela ganársela 1
## ganó ganó 1
## garro garro 1
## golp golp 1
## graduación graduación 1
## gradué gradué 1
## gratificant gratificant 1
## guardia guardia 1
## habló habló 1
## hace hace 1
## hambr hambr 1
## hora hora 1
## horribl horribl 1
## idea idea 1
## igual igual 1
## importa importa 1
## important important 1
## impos impos 1
## incluso incluso 1
## increíbl increíbl 1
## infantil infantil 1
## insultando insultando 1
## intenten intenten 1
## jueguen jueguen 1
## kilómetro kilómetro 1
## lado lado 1
## lanzando lanzando 1
## lástima lástima 1
## lección lección 1
## librement librement 1
## lidiar lidiar 1
## línea línea 1
## llena llena 1
## lugar lugar 1
## maestro maestro 1
## manera manera 1
## manten manten 1
## mayoría mayoría 1
## ment ment 1
## millon millon 1
## miré miré 1
## mito mito 1
## momento momento 1
## montaña montaña 1
## nacen nacen 1
## natur natur 1
## negativa negativa 1
## número número 1
## oponent oponent 1
## orgulloso orgulloso 1
## oscuro oscuro 1
## paciencia paciencia 1
## palabra palabra 1
## pareciera pareciera 1
## part part 1
## pasé pasé 1
## pensé pensé 1
## pequeño pequeño 1
## perderán perderán 1
## perfección perfección 1
## persona persona 1
## pierd pierd 1
## pierna pierna 1
## podemo podemo 1
## podía podía 1
## porcentaj porcentaj 1
## posibl posibl 1
## preescolar preescolar 1
## primer primer 1
## profesor profesor 1
## quejándom quejándom 1
## quemé quemé 1
## rafa rafa 1
## raíc raíc 1
## rank rank 1
## rápido rápido 1
## raqueta raqueta 1
## recibir recibir 1
## red red 1
## relativament relativament 1
## retiran retiran 1
## retiró retiró 1
## rodilla rodilla 1
## roland roland 1
## rusa rusa 1
## saben saben 1
## segunda segunda 1
## sentado sentado 1
## sentí sentí 1
## sentir sentir 1
## ser ser 1
## siento siento 1
## signo signo 1
## singl singl 1
## sino sino 1
## solía solía 1
## sólo sólo 1
## subsahariana subsahariana 1
## sudaba sudaba 1
## suiza suiza 1
## superación superación 1
## superar superar 1
## tal tal 1
## tampoco tampoco 1
## tard tard 1
## tercer tercer 1
## tipo tipo 1
## tiro tiro 1
## tomó tomó 1
## trabajé trabajé 1
## tratando tratando 1
## traté traté 1
## vas vas 1
## vayan vayan 1
## viaj viaj 1
## victoria victoria 1
## wimbledon wimbledon 1# Crear una nube de palabras
set.seed(1234)
wordcloud(words = word_freq_df$word, freq = word_freq_df$freq, min.freq = 3,
max.words = 100, random.order = FALSE, rot.per = 0.35,
colors = brewer.pal(8, "Dark2"))
Lectura de páginas web
Instalación de paquetes
Cargo datos basado en un ID
library(rvest)
# Especifica la URL de la página web
url <- "https://periodico.unal.edu.co/especiales/la-profusion-de-datos-aviva-la-llama-de-la-cuarta-revolucion-industrial"
# Leer la página web
pagina <- read_html(url)
# Extraer el contenido basado en el ID
contenido <- pagina %>% html_node("#root") %>% html_text()
# Hacemos algoLectura de archivos de audio
Instalación de paquetes
Lectura de imágenes
Instalación de paquetes
Lectura de datos
# Cargar las librerías necesarias
library(jpeg)
library(png)
library(magick)
# Especifica la ruta al archivo de imagen
ruta_imagen_jpeg <- "ruta/al/archivo.jpeg"
ruta_imagen_png <- "ruta/al/archivo.png"
# Leer el archivo JPEG
imagen_jpeg <- readJPEG(ruta_imagen_jpeg)
# Leer el archivo PNG
imagen_png <- readPNG(ruta_imagen_png)
# Hacemos algo